La búsqueda informada y no informada son dos enfoques amplios utilizados en algoritmos de inteligencia artificial para resolver problemas de búsqueda. Estos enfoques difieren en la cantidad de información adicional que utilizan para realizar búsquedas más eficientes y precisas.
Búsqueda no informada
La búsqueda no informada o ciega se basa únicamente en la información proporcionada durante la definición del problema. Estos algoritmos no tienen conocimiento adicional sobre el estado objetivo y solo pueden diferenciar entre estados objetivo y no objetivo. No pueden inspeccionar la estructura interna de un estado para estimar qué tan cerca está del objetivo.
Por ejemplo, consideremos la resolución de un rompecabezas de 8 piezas. Un algoritmo de búsqueda no informada solo puede aplicar pruebas de objetivo para determinar si un estado es objetivo o no. No puede inspeccionar el tablero para determinar qué tan cerca está del estado objetivo. Esto puede llevar a una exploración ineficiente de los estados y una demora en la búsqueda de la solución óptima.
Los ejemplos de estrategias de búsqueda no informada incluyen la búsqueda en anchura, la búsqueda de costo uniforme, la búsqueda en profundidad, la búsqueda en profundidad limitada, el profundización iterativa y la búsqueda bidireccional.
Búsqueda informada
En contraste, la búsqueda informada utiliza conocimiento adicional más allá de la información proporcionada en la definición del problema. Este conocimiento adicional se obtiene a través de una función llamada heurística. La heurística recibe un estado como entrada y estima qué tan cerca está del estado objetivo. Utilizando esta heurística, la estrategia de búsqueda puede diferenciar entre estados no objetivo y enfocarse en aquellos que parecen más prometedores.
La heurística es una función que estima el costo del camino más corto entre un estado dado y el estado objetivo. Por ejemplo, en el caso del rompecabezas de 8 piezas, podemos usar la cantidad de símbolos desubicados como heurística. Esta heurística puede determinar qué tan cerca está un estado del estado objetivo. Utilizando esta información, la estrategia de búsqueda informada puede tomar decisiones más inteligentes sobre qué estados explorar primero.
El algoritmo A* es un ejemplo clásico de una estrategia de búsqueda informada. Utilizando una heurística adecuada, A* encuentra el camino óptimo entre el estado inicial y el objetivo. Otros ejemplos de algoritmos informados incluyen la búsqueda de mejor primero, la búsqueda de mejor primero recursiva y el A* acotado por memoria simplificado.
Heurísticas
Las heurísticas desempeñan un papel crucial en los algoritmos de búsqueda informada. Una heurística eficiente puede acelerar la búsqueda y encontrar soluciones óptimas de manera más rápida. Sin embargo, formular heurísticas eficientes puede ser un desafío.
Una forma de formular heurísticas es mediante la relajación del problema original. Al eliminar ciertas restricciones, podemos crear estados adicionales y estimar los costos de los caminos óptimos en estos estados relajados. Estos costos pueden servir como heurísticas para el problema original.
Otra forma de formular heurísticas es centrarse en subproblemas que sean más fáciles de resolver. Podemos encontrar la solución óptima para estos subproblemas y utilizar el costo como heurística para el problema completo.
También es posible aprender heurísticas a partir de datos. Recopilando un conjunto de datos que contenga pares de estados y costos óptimos, podemos aplicar algoritmos de aprendizaje automático para encontrar un modelo que aproxime estos costos. Luego, podemos utilizar este modelo como heurística en nuestra estrategia de búsqueda informada.
La búsqueda informada y no informada son dos enfoques utilizados en algoritmos de inteligencia artificial para resolver problemas de búsqueda. La búsqueda no informada se basa únicamente en la información proporcionada en la definición del problema, mientras que la búsqueda informada utiliza conocimiento adicional a través de una heurística. Las estrategias de búsqueda informada pueden ser más eficientes y encontrar soluciones óptimas más rápidamente, pero formular heurísticas eficientes puede ser un desafío.
Si quieres conocer otras notas parecidas a Enfoques de búsqueda en inteligencia artificial puedes visitar la categoría Inteligencia.